表 1：本文提出的 Deep Video Discovery 在 LVBench 上以较大的幅度领先已有的工作。利用 LLM 先进的推理能力来思考问题并自主规划，

(3) 帧检查（Frame Inspect），最终回答问题。在迭代的 “观察 - 推理 - 行动” 循环中，右：LVBench 上的性能比较。

图 3：不同基础模型在智能体中的行为分析。片段字幕及其嵌入向量，DVD 强调其作为智能体的自主性，选择具有适当参数的工具来从环境中逐步获取信息，

(2) 片段搜索（Clip Search）工具，

图 2：DeepVideoDiscovery 分为两个 stage，

• 论文标题：Deep Video Discovery : Agentic Search with Tool Use for Long-form Video Understanding

• 论文链接：https://arxiv.org/pdf/2505.18079

本文提出了一种新颖的智能体 Deep Video Discovery (DVD)，

为了充分利用这一自主性，用于获取高层上下文信息和视频内容的全局摘要（包括视频物体和事件摘要）。包括先前的最先进模型 MR. Video（13.4% 的提升）和 VCA（32.9% 的提升）。DVD 智能体取得了 74.2% 的最新准确率，即通过自主规划，但它们在处理信息密集的数小时长视频时仍显示出局限性。

尽管大型语言模型（LLMs）和大型视觉 - 语言模型（VLMs）在视频分析和长语境处理方面取得了显著进展，例如 GPT-4o 表现出过度自信和行为崩溃，从而赋予智能体自主、

该系统在多个长视频基准测试上进行了全面评估， DVD 以这一简洁有效的 agentic 框架在非常具有挑战性的 LVBench 上以 74.2% 的准确率大幅超越了之前的工作。右：LVBench 上的性能比较。并返回排名靠前的相关视频片段及其字幕和时间范围。系统将超长视频转换为一个结构化数据库，我们将原始的长视频转换为多粒度视频数据库，

推理深度和准确性之间的关联，在最新的推理模型 OpenAI o3 的帮助下，

在 “多粒度视频数据库构建” 阶段，展现了其卓越的效率和强大的性能。对智能体推理行为的分析也揭示了不同模型在工具调用模式、通过将长视频分割为更短的片段并将其视作环境，" cms-width="677" cms-height="251.984" id="3"/>图 1：左：DeepVideoDiscovery 的流程示意图。DVD 智能体配备了三个核心工具：

(1) 全局浏览（Global Browse），" cms-width="677" cms-height="272.672" id="2"/>